城市軌道交通客流統(tǒng)計特征分析及組合預(yù)測方法實證研究.pdf

1、客流預(yù)測是城市軌道交通規(guī)劃設(shè)計和運營管理的基本依據(jù)，已成為城市軌道交通建設(shè)過程中的重要環(huán)節(jié)。隨著我國城市軌道交通路網(wǎng)的不斷完善，城市軌道交通客流預(yù)測的重要性也越來越明顯。本文對城市軌道交通客流的統(tǒng)計特征及客流組合預(yù)測方法進(jìn)行了研究，主要研究成果包括以下幾個方面:
　　(1)通過對城市軌道交通客流歷史數(shù)據(jù)進(jìn)行統(tǒng)計分析，得出軌道交通客流的基本統(tǒng)計特征。主要表現(xiàn)為:節(jié)假日客流的統(tǒng)計特征與平常日客流明顯不同且不同節(jié)假日客流具有不同的統(tǒng)計特

2、征;平常日客流具有一定的非線性和非平穩(wěn)性，并且以周為時間單位不斷波動;通過對軌道交通客流進(jìn)行聚類分析，可以將平常日客流分為工作日客流和周末客流兩大類。
　　(2)針對平常日客流的非線性統(tǒng)計特征，采用ARIMA-RBF組合模型對平常日客流進(jìn)行預(yù)測。首先，通過ARIMA模型對歷史客流數(shù)據(jù)進(jìn)行線性擬合;然后，用RBF神經(jīng)網(wǎng)絡(luò)模型估計描述客流非線性特征的ARIMA模型的預(yù)測誤差，從而彌補了只用ARIMA模型預(yù)測無法充分考慮客流序列非線性特

3、征的不足。最后，采用實例驗證，得到ARIMA-RBF組合模型、RBF模型和ARIMA模型預(yù)測平常日的日進(jìn)站客流量的平均絕對百分誤差分別為2.98％、4.74％和4.52％。由此說明，所構(gòu)建的ARIMA-RBF組合模型能夠提高平常日客流預(yù)測的精確度。
　　(3)針對平常日客流變化的非平穩(wěn)性統(tǒng)計特征，構(gòu)建EMD-RBF組合預(yù)測模型對城市軌道交通平常日客流進(jìn)行預(yù)測。首先，利用EMD模型將具有非平穩(wěn)性的客流歷史數(shù)據(jù)序列分解為七個具有不同振

4、蕩周期的本征模式分量（IMF分量），并篩選出與原始客流歷史數(shù)據(jù)序列相關(guān)的有效IMF分量;最后，利用有效IMF分量和RBF模型設(shè)計了四種預(yù)測方案對平常日客流進(jìn)行預(yù)測。實例驗證中，EMD-RBF組合模型的四種預(yù)測方案和RBF模型對平常日的日進(jìn)站客流量進(jìn)行預(yù)測的平均絕對百分誤差分別為5.25％、3.82％、6.36％、4.39％和4.74％。該結(jié)果表明，利用有效IMF分量進(jìn)行預(yù)測的EMD-RBF組合模型方案二和方案四可以有效地提高客流預(yù)測的精

5、確度。該組合模型將平常日客流數(shù)據(jù)分解為不同的IMF分量的數(shù)據(jù)處理方式可以減小客流序列的非平穩(wěn)性對預(yù)測結(jié)果的干擾。
　　(4)針對平常日客流的聚類特征，構(gòu)建了并行加權(quán)神經(jīng)網(wǎng)絡(luò)模型。將具有不同統(tǒng)計特征的客流作為并行加權(quán)神經(jīng)網(wǎng)絡(luò)模型不同的輸入模塊，并采用該模型對平常日客流和節(jié)假日客流進(jìn)行實例預(yù)測。并行加權(quán)神經(jīng)網(wǎng)絡(luò)模型和RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測平常日的日進(jìn)站客流量的平均絕對百分誤差分別為3.82％和4.74％，預(yù)測清明節(jié)假期日客流量的平均絕

6、對百分誤差分別為7.64％和11.95％。該預(yù)測結(jié)果表明:并行加權(quán)神經(jīng)網(wǎng)絡(luò)模型預(yù)測能夠減小預(yù)測平常日客流和節(jié)假日客流的誤差，并且，并行加權(quán)神經(jīng)網(wǎng)絡(luò)模型對平常日客流的預(yù)測效果比節(jié)假日客流的預(yù)測效果好。
　　(5)本文所構(gòu)建的三種組合預(yù)測模型的預(yù)測誤差均比單個預(yù)測模型的預(yù)測誤差小。其中，ARIMA-RBF組合模型的預(yù)測誤差最小，其次為并行加權(quán)神經(jīng)網(wǎng)絡(luò)模型，EMD-RBF組合模型的預(yù)測誤差較大一些。ARIMA-RBF組合模型和EMD-R